近些年来随着人工智能、信息网络等技术的成熟, 航空电子系统迅速发展, 关于未来航空电子系统如何应用于作战的讨论层出不穷。通过三层面分析法对航空电子系统各种创新活动进行整合, 从而构建面向未来的合理且持续的方法论来研究航空电子系统领域。首先系统梳理了航空电子系统的研究背景和现状, 接着深入剖析了三层面分析法模型, 重点从3个层面详细分析了航空电子系统的应用情况:有人机航电系统效益降低及其原因, 当前航空电子系统的不断改进和两类创新归纳, 未来高度自主的无人机航电主导的设想及其3个推动因素。

针对遥感图像中目标尺度差异较大和方向分布随机等导致检测精度较低的问题，提出一种基于稀疏掩模Transformer的遥感目标检测方法。该方法以Transformer网络为基础，首先引入角度参量，使其适应遥感目标的旋转特性；其次在特征提取部分以多层级特征金字塔为输入，以应对遥感图像目标尺寸变化大的特点，提高对不同尺度目标的检测效果，尤其对小目标的检测效果提升明显；最后以稀疏-插值注意力模块代替自注意力模块，有效缓解了Transformer网络检测高分辨遥感图像时计算量大的缺陷，并且加快了网络的收敛速度。在大型遥感数据集DOTA上的实验结果表明，所提方法的平均检测精度为78.43%，检测速度为12.5 frame/s，与基准方法相比，平均精度均值（mAP）提高了3.07个百分点，证明了所提方法的有效性。

基于相关滤波的跟踪算法因其高效性，受到了无人机领域的密切关注。现有的跟踪算法使用固定的超参数进行滤波器的学习，无法满足无人机在跟踪过程中对复杂环境的适应性。针对该问题，提出了一种自适应正则化参数学习的相关滤波算法，将滤波器与时间正则化参数的学习描述为一个统一的目标函数; 同时，该算法可通过响应图的全局变化量感知目标的变化情况，自适应更新目标模型。无人机视频数据集上的结果验证了所提算法对复杂无人机跟踪场景的适应性以及对跟踪性能提升的有效性。

机场区域因为其特殊性对民用和军用都具有重大意义。基于机器自主识别的机场区域检测方法是目前主流的检测方法,针对传统检测算法对机场区域遥感图像中多类别、多尺度、多视角以及复杂背景下检测鲁棒性不足的问题,本文提出了一种优化的区域卷积神经网络检测算法。首先,构建了一个相比传统数据集包含更多尺度、视角、类别和复杂背景等条件下的机场区域7类典型目标数据集并进行了优化处理,为模型算法的监督训练和调节奠定了基础;然后,根据所检测目标的特性以及网络的局限性,使用差异值法生成anchor、复杂负样本筛选以及加入先验判决网络对原网络进行了优化和仿真验证;最后,对优化的网络模型进行了测试与对比分析。实验结果表明,本文算法在仅增加极少检测时间基础上相比原算法有更高的平均精确度,且对各类目标的检测达到了较好的效果。

针对低照度条件下图像降质严重的问题,提出了一种基于深度卷积神经网络(DCNN)的低照度图像增强算法。该算法根据Retinex模型合成训练样本,将原始低照度图像从RGB (Red Green Blue)空间转换到HSI (Hue Saturation Intensity)颜色空间,保持色度分量和饱和度分量不变,利用DCNN对亮度分量进行增强,最后将HSI颜色空间转换到RGB空间,得到最终的增强图像。实验结果表明,与现有主流的图像增强算法相比,所提算法不仅能够有效提升亮度和对比度,改善过增强现象,而且能够避免色彩失真,主观视觉和客观评价指标均得到了进一步提高。

提出了一种特征融合结合软判决的飞机检测方法。以区域卷积神经网络为基本框架,依次采用L2范数归一化、特征连接、尺度缩放和特征降维来融合多层特征。为了降低网络在目标高度重叠时的漏检率,引入软判决来改进传统的非极大值抑制方法。实验结果表明,所提方法能够准确快速地检测到飞机,得到检测率为94.25%、虚警率为5.5%、平均运行时间为0.16 s的实验结果。与现有的其他检测方法相比,所提方法的各项指标均得到显著提升。

针对栈式稀疏去噪自编码器(SSDA)在图像去噪上训练难度大、收敛速度慢和普适性差等问题,提出了一种基于栈式修正降噪自编码器的自适应图像去噪模型。采用线性修正单元作为网络激活函数,以缓解梯度弥散现象;借助残差学习和批归一化进行联合训练,加快收敛速度;而为克服新模型对噪声普适性差等问题,需要对其进行多通道并行训练,充分利用网络挖掘出的潜在数据特征集计算出最优通道权重,并通过训练权重权重预测模型预测出各通道最优权重,从而实现自适应图像去噪。实验结果表明:与目前降噪较好的BM3D和SSDA方法相比,所提方法不仅在收敛效果上优于SSDA方法,而且能够自适应处理未参与训练的噪声,使其具有更好的普适性。

提出了一种结合级联的区域建议网络和检测网络的遥感图像机场检测方法。通过改进区域建议网络,以获得高质量的机场建议框;通过改进检测网络的损失函数,以提高机场检测的准确性;使用交叉优化策略,实现了两个网络的卷积层共享,机场检测时间大幅缩减。结果表明,所提方法在复杂背景下能准确地检测出不同类型的机场,检测率高,虚警率低,平均运行时间短。

针对传统飞机检测方法准确率低、虚警率高、速度慢等问题, 提出一种全卷积神经网络多层特征融合的飞机快速检测方法。将浅层和深层的特征经过采样后在同一尺度进行融合, 以缓解由于深层特征图维度过低造成的对小目标表达不足的问题；修改区域提取时的选框尺寸以适应实际图像中飞机的尺寸特征；用卷积层代替全连接层以减少网络参数并适应不同大小的输入图像；复用区域提取网络和检测网络的卷积层和学习的特征参数以保证检测的高效性。仿真结果表明, 与典型的飞机检测方法相比, 所提方法在测试集上取得了更高的准确率和更低的虚警率, 同时大大加快了检测速度。

现有单幅图像去雾算法大多基于局部先验,去雾结果存在块效应。在处理浓雾区域时,如果没有特殊处理,会导致图像中的一些伪影被增大,比如在原始的有雾图像中几乎不可见的噪声、色彩重叠等,在去雾后的图像中被增强,进而影响图像质量。针对以上存在的问题,提出了一种改进算法。首先采用非局部先验,估算初始的透射率,然后采用正则化的方法优化透射率,并且将原始图像和去雾后图像的梯度差L_1/2范数作为正则化项,达到抑制噪声干扰的目的。结果表明,该算法能够很好地恢复出图像的细节信息和色彩;与局部先验方法相比,具有更好的稳健性。